本发明涡轮发动机维护领域,尤其涉及一种基于改进极限学习机的涡轮发动机轴承故障诊断方法。
背景技术
风能作为一种可再生能源,绿色、节能、高效,是未来能源科学重点发展的方向。随着风力发电站的快速发展,风力涡轮机的维护也变得越来越重要。人们对风力涡轮机可靠形与安全运行的要求越来越高,而轴承是风力涡轮机的关键部分,其性能好坏对整个系统的可靠运作有着至关重要的影响。轴承故障可能导致风力涡轮机的突然停机,进而导致整个系统的瘫痪,带来巨大的经济损失甚至是人员伤亡。因此,风力涡轮机轴承的故障诊断在工业应用中具有重要意义。
轴承故障发生往往伴随着振动信号的变化,而机械振动信号具有非线性、非平稳的特性,因此可以通过检测、处理分析振动信号来监测轴承的健康状态。本发明涉及到的最小熵解卷积通过搜索一组最佳的滤波器系数,使经过逆滤波器输出信号的峭度最大化、熵值最小,突出信号中的脉冲特性;局部均值分解是一种新的自适应信号处理方法。
目前,还没有通过处理轴承的振动信号,从而有效检验涡轮发动机故障存在与否的诊断方法。
技术实现要素:
本发明提供了一种风力涡轮机轴承故障类型诊断方法,在风力涡轮机轴承故障诊断方面具有显著的有效性和准确性。
一种风力涡轮机轴承故障诊断方法,包含以下步骤:
ⅰ:建立最小熵解卷积模型并获取轴承发出的信号,利用最小熵解卷积模型对信号进行降噪处理并得到有效故障信号。
ⅱ:利用局部均值分解对有效故障信号进行分解以得到新信号,所述新信号包括若干个乘积函数pf,每个pf都是一个包络信号和一个具有物理意义的纯调频信号的乘积。
ⅲ:建立风力涡轮机轴承的改进极限学习机故障分类模型,改进的极限学习机是一种双层多标签极限学习机网络。
ⅳ:将新信号输入到改进极限学习机,根据得到的新的信号进行指标计算,指标包括标准差、峰值、均方根值、偏斜度、谱峭度、绝对平均值、方根幅值、峰峰值、脉冲指标、波形指标、峭度指标、裕度指标。
ⅴ:将指标计算结果组成故障特征向量输入到改进极限学习机中进行故障分类识别,得到轴承故障类型的分类结果。
本发明方法一方面利用最小熵解卷积有效地提高信噪比,抑制噪声,使弱振动信号的故障特征被提取出来,从而使轴承故障特征明显;另一方面,利用局部均值分解方法将一个复杂的非平稳多分量信号分解成多个单分量信号,计算多个指标,由此得到特征向量组,从改进极限学习机的故障模型中可直接检测出轴承故障类型。同时,利用双层多标签极限学习机,可以将故障类型甄别出来,得到较高准确性的分类结果。
为进一步完善上述方案,本发明进一步设置为:步骤ⅰ中所述的建立提高信噪比的最小熵解卷积模型,包括以下步骤:
①对于获得的信号,用时域卷积表示为:
x=hu*u+hd*d+he*e,
其中,x=[x1,x2,x3…xn]t为离散加速度序列,u=[u1,u2,u3…un]t为未知输入的干扰信号,d=[d1,d2,d3…dn]t为输入的周期性冲击故障信号,e为离散高斯噪声序列,hu,hd和he分别为各自对应的时域卷积fir滤波器系数,n为加速度序列x的数据长度。
②重构故障信号d,实现最小熵解卷积:使测量加速度x通过一个l阶解卷积fir滤波器f且l<n,所述解卷积滤波器f的输出可以用时域卷积表示为:
y=f*x=f*(hu*u)+f*(hd+d)+f*(he*e)
其中,f=[f1,f2,f3…fl]t,y=[y1,y2,y3…yn]t;
③采用峭度k(y)作为目标函数,求该目标函数最优滤波器f的最大峭度值:
其中,l、n分别为解卷积fir滤波器f的结束和输入信号x的长度。此时,f=[f1,f2,f3…fl]t,峭度k(y)关于滤波器f的一阶偏导数等于零;
④结合步骤②和步骤③,有
⑤将步骤④中的每个变量l(l=1,2,…,l)对应于一个方程,共l个方程组,简化为矩阵形式为:
其中,f=[f1,f2,f3…fl]t,
⑥通过逐步迭代方法收敛到局部最优解,输出该最优解作为有效故障信号。
本发明进一步设置为,步骤⑥所述的迭代方法,包括以下步骤:
第一步:初始化滤波器系数f(0),所述f(0)为中心单位脉冲的时延滤波器,此时,f(0)=[0,…,0,1,0,…,0]t;
第二步:根据x0及
第三步:计算
第四步:计算迭代更新f(i)系数并重复迭代过程第二步、第三步,直至满足迭代循环终止条件,所述终止条件为:
δk(i)=|k(y(i+1))-k(y(i))|;
第五步:fir滤波器系数f=f(i),滤波器信号
为进一步完善上述方案,本发明进一步设置为,步骤ⅱ所述的均值分解方法包括以下步骤:
s1:ni为原始信号x(t)所有的局部极值点,计算得到所有相邻的局部极值点ni和ni+1的平均值mi,将所有相邻的mi用直线连接起来并且经平滑处理得到局部均值函数m11(t),计算包络估计值ai,
将所有的相邻ai用直线连接起来并且经进行平滑处理得到包络估计函数a11(t)。
s2:将m11(t)从原始信号x(t)中分离出并得到h11(t),h11(t)=x(t)-m11(t),对h11(t)进行解调,得到s11(t),s11(t)=h11(t)/a11(t),计算s11(t)的包络估计函数a12(t)。
s3:当a12(t)=1时,进行步骤s5,此时,s11(t)是一个纯调频信号,当a12(t)≠1时进行步骤s4。
s4:对s11(t)重复步骤s1至步骤s2,直到-1≤s1n(t)≤1且其包络信号估计函数满足a1(n+1)(t)=1,迭代终止条件为:
s5:将包络信号a1(t)和纯调频信号s1n(t)相乘便可以得到第一个pf分量:
pf1(t)=a1(t)s1n(t),
包络信号a1(t)为迭代过程中产生的全部包络估计函数的乘积,
s6:x(t)中分离出第一个pf分量为pf1(t),获得新的信号u1(t),将u1(t)作为原始数据重复步骤s1至步骤s5,循环k次,直到uk(t)为一个单调函数,此时x(t)被分解成k个pf分量和一个残余分量uk(t)之和,即:
此时,pfp表示为p个pf分量,uk表示余项。
为进一步完善上述方案,本发明进一步设置为,步骤ⅲ所述的改进极限学习机故障分类模型,包括有用于计算故障的数量的计数网络和用于识别故障的标签网络。
在此基础上,本发明进一步设置为,计数网络构建方法如下所示:
a.通过实验特征的回归映射获得故障标签的数量m,具有单个数据节点的极限学习机网络应用于回归。输出的表达式为:
b.对于具有激活函数的隐藏层的径向基函数径向基函数,即e(x),可由下式得到
h(x)=g(bi||x-ωi||),bi∈r+。
其中,ωi和bi分别表示第i个径向基函数节点的中心和影响因子,r+表示所有正实数的集合,计数层极限学习机的回归模型为:
eβ=t。
其中,e=(et(x1),et(x2),…,et(xn))t,是隐藏层的输出矩阵,t=(t1,t2,…,tn,)t是目标向量,输出权重β=e+t,e+是e的逆矩阵。
c.利用回归特征映射计数极限学习机网络输出的故障数目m=flr(x),然后将故障数目m传递到决策模型并用于后续标签网络中。
本发明进一步设置为,标签网络输出单个最匹配的标签:
其中,fj(x)=[f1(x),…,fn(x)]t表示标签网络的输出函数,其中fj(x)包含全部候选标签,基于计数网络的输出,标签网络选择m个最大变量作为最终阈值
本发明进一步设置为,标签网络的输出函数为:
其中,δ=[δ1,δ2,…,δlc,]t表示隐藏层和输出矩阵之间的输出权重向量,
h(x)=[h1(x),h2(x),…,hlc(x)]t表示隐藏层的输出向量,t是数据训练的目标,
最小熵解卷积通过搜索一组最佳的滤波器系数,使经过逆滤波器输出信号的峭度最大化、熵值最小,突出信号中的脉冲特性,由于故障信号中故障信息主要以脉冲形式存在,所以最小熵解卷积的特性非常适用于增强机械信号中的故障信息;局部均值分解是一种新的自适应信号处理方法,具有更高的信号完整性保持能力,减少了迭代次数,同时能够更好地避免超调对信号分解的影响。
本发明应用最小熵解卷积方法对轴承振动信号进行降噪处理以得到弱故障信号特征,然后用局部均值分解对降噪后的信号进行处理。但是局部均值分解分解的乘积函数pf往往包含很大的数据量,无法直接用作特征向量,因此将其进行指标计算,得到一组新的特征向量组。基于双层多标签的极限学习机不依赖于经验指定的阈值,因此,它比现有的基于概率的分类器更具自适应性。此外,通过继承原始极限学习机的优点,双层多标签极限学习机不需要迭代微调参数,训练速度比现有分类器的其他组合快得多,具有效率高、精度好且学习速度快,泛化性能好的优点,在分类方面有良好的效果。发明人将上述所列优点进行整合,所发明的一种涡轮发动机轴承的故障诊断方法,具有高精度性和显著的有效性。
以下结合附图对本发明进行更进一步详细的说明。
附图说明
图1为本发明具体步骤的流程示意图,其中med是指商卷积模型,elm是指极限学习机;
图2为本发明中的商卷积模型med的模型示意图;
图3为本发明中所计算的十二个指标的计算公式表;
图4为未经本发明方法处理的分类精度示意图;
图5为未经本发明方法处理的分类精度示意图。
具体实施方式
下面,通过示例性的实施方式对本发明具体描述。然而应当理解,在没有进一步叙述的情况下,一个实施方式中的特征也可以有益地结合到其他实施方式中。
如图1所示,一种风力涡轮机轴承故障诊断方法,包含以下步骤:
步骤一:首先建立最小熵解卷积模型并获取轴承发出的信号,利用所述最小熵解卷积模型对信号进行降噪处理,得到有效故障信号。如图2所示的是能提高信噪比的最小熵解卷积模型。
因为轴承震动系统为线性时不变系统,对于获得的轴承脉冲故障信号、干扰成分和噪声成分等信号,可以用时域卷积表示为:
x=hu*u+hd*d+he*e,
式中:x=[x1,x2,x3…xn]t为离散加速度序列;u=[u1,u2,u3…un]t为未知输入干扰信号;d=[d1,d2,d3…dn]t为输入的周期性冲击故障信号,e为离散高斯噪声序列,hu,hd和he分别为各自对应的时域卷积fir滤波器系数;n为加速度序列x的数据长度。
使测量加速度x通过一个l阶解卷积fir滤波器f来实现最小熵解卷积的目的,即重构故障信号d,此时l<n,解卷积滤波器f的输出可以用时域卷积表示为:
y=f*x=f*(hu*u)+f*(hd+d)+f*(he*e)
式中,f=[f1,f2,f3…fl]t,y=[y1,y2,y3…yn]t。
最小熵解卷积法是采用峭度k(y)作为目标函数,求其最优滤波器f的最大化作为最优结果,即
式中,l、n分别为解卷积fir滤波器f的结束和输入信号x的长度。
为求解满足式上式的滤波器f系数,即f=[f1,f2,f3…fl]t,可求峭度k(y)关于滤波器f的一阶偏导数,并令其等于零,可得
其中,每个变量l(l=1,2,…,l)对应于一个方程,即有l个方程组,简化为矩阵形式为:
式中:f=[f1,f2,f3…fl]t,
上述方程表示为一非线性系统,直接求解解卷积滤波器f不可行,最小熵解卷积方法通过逐步迭代收敛到局部最优解,也即最大峭度。其迭代过程如下所示:
第一步:初始化滤波器系数f(0),一般可设为中心单位脉冲的时延滤波器,如f(0)=[0,…,0,1,0,…,0]t。
第二步:根据x0及
第三步:计算
第四步:计算迭代更新f(i)系数,重复迭代过程第二、三步,直至满足δk(i)=|k(y(i+1))-k(y(i))|这一迭代循环终止条件。
第五步:最终得到fir滤波器系数f=f(i),及滤波器信号
步骤二:利用局部均值分解对所述有效故障信号进行分解以得到新信号,所述新信号包括若干个乘积函数pf,所述pf是一个包络信号和一个具有物理意义的纯调频信号的乘积对消噪后的信号进行局部均值分解。
局部均值分解方法的本质是将多分量的信号分解为若干个单分量pf和一个残余分量r之和,从而使之适合于处理多分量的调制信号。
假设原始信号x(t)所有的局部极值点ni,求出所有相邻的局部极值点ni和ni+1的平均值mi,将所有相邻的mi用直线连接起来,经平滑处理得到局部均值函数m11(t);计算包络估计值ai,将所有的相邻ai用直线连接起来,经进行平滑处理得到包络估计函数a11(t),
将局部均值函数m11(t)从原始信号x(t)中分离出来得到h11(t),对其进行解调得到s11(t),s11(t)=h11(t)/a11(t),h11(t)=x(t)-m11(t)。
计算s11(t)的包络估计函数a12(t),如果a12(t)=1,则此信号说明是一个纯调频信号。否则,需要对s11(t)重复以上步骤,直到-1≤s1n(t)≤1,且其包络信号估计函数满足a1(n+1)(t)=1。迭代终止条件为
迭代过程中产生的全部包络估计函数的乘积即为包络信号a1(t):
将包络信号a1(t)和纯调频信号s1n(t)相乘便可以得到第一个pf分量:
pf1(t)=a1(t)s1n(t)。
从x(t)中分离出第一个pf分量pf1(t),获得新的信号u1(t),将u1(t)作为原始数据重复以上迭代过程,循环k次,直到uk(t)为一个单调函数。则x(t)被分解成k个pf分量和一个残余分量uk(t)之和,即:
步骤三:建立风力涡轮机轴承的改进极限学习机故障分类模型。改进的极限学习机是一种双层多标签极限学习机网络,其中一层极限学习机网络用于计算故障的数量,另一层用于识别故障;所提出的基于双层多标签的极限学习机不依赖于经验指定的阈值。因此,它比现有的基于概率的分类器更具自适应性。此外,通过继承原始极限学习机的优点,双层多标签极限学习机不需要迭代微调参数,训练速度比现有分类器的其他组合快得多。
双层多标签极限学习机分为两个网络——计数网络,标签网络。计数网络通过实验特征的回归映射获得故障标签的数量m,具有单个数据节点的极限学习机网络应用于回归。输出的表达式为:
β=[β1,β2,…,βlr]是隐藏层和输出层之间的权重,
e(x)=[g1(ω1,b1,x),g2(ω2,b2,x),…,glr(ωi,blr,x)],表示隐藏节点lr的输出,gi(ωi,bi,x)是隐藏层中第i个节点的值,对于具有激活函数的隐藏层的径向基函数,即:g(x)=r→r,e(x)可由h(x)=g(bi||x-ωi||),bi∈r+得到。上式中,ωi和bi分别表示第i个径向基函数节点的中心和影响因子,r+表示所有正实数的集合,作为单隐层前馈神经网的特殊情况,每个径向基函数的输出是由输入和中心之间的距离的径向对称函数给出的,在有监督的批量学习中,算法的所有参数都是由有限数量的数据集训练。给n个训练样本,{(x1,t1),(x2,t2),…,(xn,tn)},xi∈rd,ti∈r1,则计数层极限学习机的回归模型eβ=t,e=(et(x1),et(x2),…,et(xn))t是隐藏层的输出矩阵,t=(t1,t2,…,tn,)t是目标向量,则输出权重β=e+t,e+是e的逆矩阵,利用回归特征映射计数极限学习机网络输出的故障数目m=flr(x),然后将其传递到决策模型,用于后续标签网络中。
对一个二元分类问题,输出函数:
minmize:||hδ-t||2和||δ||,
式中,δ=[δ1,δ2,…,δlc,]t表示隐藏层和输出矩阵之间的输出权重向量,
式中,h(x)=[h1(x),h2(x),…,hlc(x)]t表示隐藏层的输出向量,t是数据训练的目标,
对于一个二分类问题,极限学习机是单输出节点,基于先前的讨论,二分类极限学习机可以认为是一种特殊的多标签分类,给定原始标签p,对于n维输出向量
式中,ξi=[ξi,1,ξi,2,…,ξi,n,]t是训练误差向量,标签极限学习机训练中主要解决的是以下优化问题:
则多分类极限学习机的输出为:
式中,flc(x)=[f1(x),…,fn(x)]t表示隐藏节点的输出函数,对于待测x的预测标签
对于原始的基于极限学习机网络的二分类,可以输出单个最匹配的标签,改进极限学习机提出以下决策功能:
式中,fj(x)=[f1(x),…,fn(x)]t表示标签极限学习机网络的输出函数,其中fj(x)包含全部候选标签,基于计数极限学习机的输出,标签极限学习机选择m个最大变量作为最终阈值
步骤四:根据得到的新的信号进行12组指标计算,指标分别为标准差,峰值,均方根值,偏斜度,谱峭度,绝对平均值,方根幅值,峰峰值,脉冲指标,波形指标,峭度指标,裕度指标。
步骤五:将计算结果组成故障特征向量,再输入到改进的极限学习机中进行训练测试,得到轴承故障类型的分类结果。
以下提供一个实施例,用以阐述本方法的实际应用结果。
实施例:风力涡轮机的轴承内、外圈故障诊断
利用已知的一组轴承数据进行故障诊断,其中,输入轴频率25hz,采样率48828sps,滚子直径为0.235mm,节距直径为1.245mm,元素数量为8个,接触角为0。本文选取其中六类故障数据,分别为内圈在0磅、150磅,300磅负载时故障和外圈在25磅,150磅、300磅负载时故障数据。
首先,将这六类数据利用发明所述的方法进行分解,分解之后根据计算pf分量与原信号的互相关系数大小,选取前三层作指标计算,得到新的18组数据样本。
然后,将内圈数据取样本数为120000,并分为50段,每段2400个点,组成x150×2400,x250×2400,x350×2400,同理取外圈在25磅,150磅、300磅负载时故障数据,做同样处理,得到x350×2400,x450×2400,x650×2400,然后将这六类分别计算12类指标。指标分别为:标准差,峰值,偏斜度,谱峭度,均方根值,绝对平均值,方根幅值,峰峰值,脉冲指标,波性指标,峭度指标,裕度指标,指标计算如图3所示。
最后,由这些指标构成特征向量组并将这些特征向量输入到双层多标签极限学习机中进行训练、测试,得到分类结果。如图4、图5所示,未经过该发明方法处理的数据只有48.6667%的分类精度,经过该发明方法处理之后再分类最高可达到91.6667%。可见,本发明所提供的方法具有高精度性和有效性。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。